版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、符號(hào)有向圖(Signed Dlrected Graph,SDG)是在圖論的基礎(chǔ)上發(fā)展起來(lái)的一種基于定性分析的故障診斷方法,能夠有效地表達(dá)復(fù)雜系統(tǒng)的各個(gè)變量之間的相互關(guān)系,具有很強(qiáng)的完備性同時(shí)又具有靈活的推理方式和有教的推理算法能夠提供故障傳播的路徑,給出故障發(fā)生的詳細(xì)解釋。然而由于SDG是基于定性的故障診斷方法,測(cè)量信號(hào)中許多有用的定量信息被忽略或無(wú)法被考慮,導(dǎo)致故障診斷分辨率不高。支持向量機(jī)(Suppon Vector Machine
2、,SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法。采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的svM同時(shí)考慮了經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間的最小,能夠獲得最好的泛化能力,是專門研究小樣本情況下機(jī)器學(xué)習(xí)的理論。其次,SVM巧妙地采用“核函數(shù)”
將低維非線性空間映射到高維線性特征空間的同時(shí),并沒(méi)有增加求解最優(yōu)分類面的復(fù)雜度,解決了高維空間中計(jì)算帶來(lái)的“維數(shù)災(zāi)難”問(wèn)題。SVM以其深厚的數(shù)學(xué)基礎(chǔ)和極強(qiáng)的泛化能力,被認(rèn)為是十幾年米機(jī)器學(xué)習(xí)和模式識(shí)
3、別領(lǐng)域最有影響的成果之一。
本文將SDG和SVM有機(jī)結(jié)合起來(lái),利用SDG的完備性和推理機(jī)制,找到故障傳播的相容通路.提取故障發(fā)生時(shí)的主要相關(guān)變量:利用SVM優(yōu)良的分類性能對(duì)相關(guān)的主要變量進(jìn)行訓(xùn)練,根據(jù)訓(xùn)練獲得的最優(yōu)分類面進(jìn)行故障診斷。
本文主要內(nèi)容包括兩大部分:一是基于“去心法”的支持向量預(yù)選取方法及其模式識(shí)別應(yīng)用二是基于SDG和SVM的故障診斷算法及其工程應(yīng)用,這部分是本文的核心部分。具體內(nèi)容包括以下幾部分
4、:
(1)在深入研究支持向量機(jī)的理論基礎(chǔ)及工作原理的基礎(chǔ)上,提出了基于“去心法”(Central Sanmples Discarded Mettiod,CSDM)的支持向量預(yù)選取方法。
支持向量是決定最優(yōu)超平面位置的關(guān)鍵元素,去掉非支持向量.重新對(duì)樣本進(jìn)行訓(xùn)練,能夠得到相同的最優(yōu)超平面?;谶@個(gè)思想.提出了利用標(biāo)準(zhǔn)差去掉各類樣本中靠近中心位置的樣本.保留邊界樣本的“去心法”,以此柬進(jìn)行支持向量的預(yù)選取,該方法
5、顯著提高了SVM的訓(xùn)練速度。和已有的支持向量預(yù)選取方法進(jìn)行對(duì)比,論證了該方法的可行性。
(2)提出了一次相容通路的概念。一次相容通路足指故障發(fā)生初期的相容通路。當(dāng)故障發(fā)生時(shí),系統(tǒng)狀態(tài)變量的響應(yīng)有3個(gè)階段:初始響應(yīng)、中間響應(yīng)和最終響應(yīng)。故障滲斷最主要的性能指標(biāo)之一是實(shí)時(shí)性,因此一次相容通路的獲取對(duì)故障診斷非常重要,可以解決故障發(fā)生的不同時(shí)期,其相容通路不同而導(dǎo)致的分辨率不高的問(wèn)題。一次相容通路是符號(hào)有向圖理論的一個(gè)擴(kuò)充。
6、r> (3)提出了符號(hào)有向圖和支持向量機(jī)相結(jié)合的故障診斷方法。利用一次相容通路中的一次相容變量為基礎(chǔ)進(jìn)行SVM的訓(xùn)練,達(dá)到了降維的目的,提高訓(xùn)練和診斷速度;利用SVM優(yōu)良的分類性可以提高故障診斷的準(zhǔn)確率。以火電廠除氧器的故障診斷為例驗(yàn)證了該方法的可行性。
(4)將基于符號(hào)有向圖和支持向量機(jī)的故障診斷方法應(yīng)用在TennesseeEastrnan Process(TEP)仿真系統(tǒng)的故障諺斷中。通過(guò)對(duì)TEP仿真系統(tǒng)的實(shí)驗(yàn)結(jié)
7、果分析,對(duì)該故障診斷方法的適用范圍進(jìn)行了探討。
本文的創(chuàng)新性成果如下:
(1)提出了基于“去心法”的支持向量預(yù)選取方法;
(2)根據(jù)故障傳播的特點(diǎn),提出了一次相容通路的概念;
(3)本文將定性的SDG和定量的SVM有機(jī)結(jié)合起來(lái),提出了一種基于SDG和SVM的故障診斷算法。
(4)針對(duì)多故障診斷中特征故障的特點(diǎn),提出了將基于“二叉樹(shù)”的多類分類算法與基于決策導(dǎo)向無(wú)環(huán)圖(
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于符號(hào)有向圖的故障診斷研究.pdf
- 基于支持向量機(jī)的故障診斷方法.pdf
- 基于支持向量機(jī)的故障診斷
- 基于支持向量機(jī)的故障診斷研究.pdf
- 基于鄰域粗糙集的符號(hào)有向圖故障診斷方法研究.pdf
- 基于符號(hào)有向圖的熱力系統(tǒng)故障診斷方法研究.pdf
- 基于支持向量機(jī)集成的故障診斷方法研究.pdf
- 基于支持向量機(jī)的模擬電路故障診斷方法研究.pdf
- 基于支持向量機(jī)的核電設(shè)備故障診斷方法研究.pdf
- 基于支持向量機(jī)的流程工業(yè)故障診斷方法研究.pdf
- 基于粗糙集和支持向量機(jī)的故障診斷方法研究.pdf
- 基于支持向量機(jī)的電網(wǎng)故障診斷研究.pdf
- 基于分層模糊符號(hào)有向圖模型的故障診斷方法及其應(yīng)用.pdf
- 基于粗糙集和支持向量機(jī)的智能故障診斷方法研究.pdf
- 基于MED-VMD和優(yōu)化支持向量機(jī)的故障診斷方法研究.pdf
- 基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究.pdf
- 基于支持向量機(jī)的小樣本故障診斷.pdf
- 軸系振動(dòng)故障診斷的支持向量機(jī)方法研究.pdf
- 基于支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究.pdf
- 基于支持向量數(shù)據(jù)描述的故障診斷方法研究.pdf
評(píng)論
0/150
提交評(píng)論